При движении в городе водителю приходится фиксировать и анализировать сотни самых разнообразных ситуаций, и часто на это отводятся буквально доли секунды. Такая сложная деятельность возможна благодаря строению человеческого мозга, в том числе зрительных анализаторов, состоящих из невероятного числа рецепторов на сетчатке глаза, информация с которых передается по сложнейшим нейронным сетям в мозге (глубокие нейронные сети).

Аналогичную сеть – только компьютерную – создали исследователи Daimler AG в рамках проекта UR:BAN. В сеть мощных компьютеров они загрузили несколько тысяч фотографий города, на которых были обозначены 25 классов объектов: автомобили, велосипедисты, пешеходы, здания, деревья и многие-многие другие. Эти идентифицированные объекты выступили для компьютерной системы в качестве обучающих примеров, благодаря которым ученые смогли добиться, чтобы система смогла самостоятельно идентифицировать и ранее ей неизвестные ситуации. Технология «классификации сцен» (scene labeling) позволяет с помощью видеокамер распознавать значимые для водителя объекты – даже в том случае, если они плохо видны или находятся в отдалении. Подобная технология превращается из чисто измерительного прибора в систему, работающую аналогично человеческому мозгу и зрению.

Проф. Ральф Гидо Херртвих, руководитель отдела вспомогательных систем и систем подвески исследований и перспективных разработок концерна Daimler AG заявляет: «Автомобили смогут видеть окружающую обстановку как человек и правильно понимать сложные ситуации в городе».

Новые технологии были протестированы на пяти разных автомобилях. Ученые представили новейшие радарные системы, распознающие не только динамические, но и статические объекты, работающие в условиях плохой видимости (например, тумана), информация с которых сводится в единую модель окружающего пространства.

Была продемонстрирована инновационная система обнаружения, классификации и распознавания намерений пешеходов и велосипедистов, способная, как реальный водитель, не только идентифицировать положение объекта в конкретный момент времени, но и за счет анализа положения его тела в пространстве предсказывать, к примеру, останется ли пешеход на тротуаре или перейдет дорогу. По итогам испытаний, было показано, что эта система способна получить реакцию системы предотвращения ДТП на секунду ранее, чем позволяют системы, представленные на сегодняшний момент на рынке.